Conformalized Physics-Informed Weak Regression for Parameter Estimation in Epidemic Models

Epidemien werden von Mathematikern oft mit einem System von Kompartimenten beschrieben, ähnlich wie Eimer mit Wasser, die durch Rohre miteinander verbunden sind. In diesen Modellen bewegen sich Menschen von „anfällig“ zu „infiziert“, dann zu „genesend“ oder „verstorben“. Die Geschwindigkeit, mit der sie zwischen diesen Eimern wechseln, wird durch physikalische Parameter bestimmt: wie ansteckend ein Virus ist, wie lange eine Infektion dauert und wie schnell Menschen genesen. Diese Zahlen zu kennen, ist lebenswichtig. Sie sagen den Gesundheitsbehörden, wie schnell ein Ausbruch wachsen wird, wie viele Krankenhausbetten benötigt werden könnten und ob ein Lockdown oder eine Impfkampagne funktionieren wird. Jahrelang haben Wissenschaftler versucht, diese verborgenen Zahlen zu finden, indem sie reale Daten analysierten, wie etwa die täglichen Fallzahlen Kranker. Dies ist ein schwieriges Rätsel, da die Daten oft unordentlich, unvollständig oder in unregelmäßigen Intervallen erhoben sind. In den letzten Jahren wurde eine populäre Methode namens „Physics-Informed Neural Networks“ (physik-informierte neuronale Netze) eingesetzt, um dies zu lösen. Dabei handelt es sich um komplexe Computerprogramme, die lernen, die Parameter zu erraten, indem sie Stunden oder sogar Tage lang trainiert werden, aber oft kein klares Maß dafür liefern, wie falsch ihre Vermutungen sein könnten.

Eine neue Studie der Technischen Universität Dänemark bietet einen anderen, viel schnelleren Ansatz, der Wissenschaftlern zudem genau sagt, wie sehr sie die Ergebnisse vertrauen können. Die Forscher entwickelten eine Methode, die das Problem als ein geradliniges mathematisches Rätsel behandelt, statt als eine Lernübung. Anstatt zu versuchen, die Änderungsrate der Daten zu erraten – was notorisch verrauscht und schwer zu messen ist –, betrachtet ihre Methode die gesamte Akkumulation von Fällen über die Zeit. Durch die Integration der Daten glätten sie das Rauschen und können die Parameter fast augenblicklich lösen. Das Team testete diese neue Technik an elf verschiedenen Krankheitsmodellen, die von einem einfachen Modell für COVID-19 bis hin zu komplexen Modellen für Zika und Ebola reichten. Sie fanden heraus, dass ihre Methode oft um hunderte oder sogar tausende Male genauer war als die populären neuronalen Netzansätze und dass sie die Antworten in Millisekunden statt in Stunden lieferte. Entscheidend ist, dass sie diese schnelle Berechnung in ein statistisches Sicherheitsnetz einbetteten, das einen Bereich wahrscheinlicher Werte für jeden Parameter generiert. Dieser Bereich ist schmal, wenn die Daten klar sind, und breit, wenn die Daten zu unordentlich sind, um eine präzise Antwort zu geben, was den Wissenschaftlern ein ehrliches Bild ihrer Unsicherheit vermittelt.

Der Kern dieser neuen Methode ist eine Änderung in der Art und Weise, wie die Daten gelesen werden. Traditionelle Methoden versuchen oft, die Änderungsrate in jedem einzelnen Moment zu berechnen, so als würde man die Geschwindigkeit eines Autos messen, indem man schaut, wie weit es sich in einem winzigen Sekundenbruchteil bewegt hat. Wenn die Daten jegliches Rauschen oder Lücken aufweisen, wird diese Geschwindigkeitsberechnung extrem ungenau. Das dänische Team erkannte, dass sie stattdessen die zurückgelegte Gesamtstrecke über einen längeren Zeitraum betrachten könnten. Im Kontext einer Epidemie bedeutet dies, die Gesamtzahl der infizierten Personen über eine Woche oder einen Monat zu betrachten, anstatt zu versuchen, den exakten Moment einer Neuinfektion zu bestimmen. Dieser Ansatz, den der Autor als „schwache Regression“ bezeichnet, ist weitaus robuster gegenüber Rauschen. Er ermöglicht es ihnen, die Anfangsbedingungen eines Ausbruchs und die Übertragungsraten gleichzeitig zu schätzen, indem das gesamte System in einer einzigen, geschlossenen Berechnung gelöst wird. Da die Mathematik linear und direkt ist, erfordert sie nicht die enorme Rechenleistung oder die langen Trainingszeiten, die mit neuronalen Netzen verbunden sind.

Um sicherzustellen, dass diese schnellen Antworten zuverlässig waren, fügten die Forscher eine Schicht statistischer Kalibrierung hinzu. In vielen wissenschaftlichen Fachbereichen ist es schwierig zu wissen, wie genau ein Modell ist, da die wahre Antwort unbekannt ist. Das Team löste dies, indem sie die Krankheitsmodelle selbst nutzten, um eine riesige Bibliothek mit gefälschten Epidemien mit bekannten Antworten zu erstellen. Sie ließen ihren schnellen Schätzer über tausende dieser simulierten Ausbrüche laufen, von denen jeder leicht unterschiedliche Parameter und hinzugefügtes Rauschen aufwies, um zu sehen, wie oft die Methode richtig lag und wie breit die Fehlermargen sein mussten. Dieser Prozess erzeugte eine „Kalibrierungspopulation“, die es ermöglichte, ein Konfidenzintervall an jede reale Schätzung anzuhaften. Das Ergebnis ist ein Satz simultaner Intervalle für alle Parameter eines Krankheitsmodells zur gleichen Zeit. Wenn die Daten klar sind, ist das Intervall eng; wenn die Daten spärlich sind oder die Dynamik zu komplex ist, um aufgelöst zu werden, weitet sich das Intervall automatisch aus, um diese Unsicherheit widerzuspiegeln. Dies stellt sicher, dass Wissenschaftler niemals von einer präzise aussehenden Zahl in die Irre geführt werden, die in Wirklichkeit falsch ist.

Als das Team diese Methode auf elf Standard-Benchmarks anwandte, die zum Testen von Krankheitsmodellen verwendet werden, waren die Ergebnisse beeindruckend. In fünfzehn von zweiundzwanzig verschiedenen Szenarien, die verschiedene Krankheiten und Rauschpegel beinhalteten, lieferte ihre Methode die genauesten Schätzungen. Für Modelle, in denen die Daten dicht genug waren, um die Dynamik aufzulösen, waren ihre Schätzungen oft um den Faktor eins bis vier Größenordnungen genauer als die der neuronalen Netzmethoden. In Bezug auf die Geschwindigkeit war der Unterschied noch dramatischer. Während die neuronalen Netze Trainingszeiten von zwanzig Minuten bis über neunzig Stunden benötigten, lieferte die neue Methode einen vollständigen Satz an Schätzungen und deren Unsicherheitsintervallen in weniger als einer Millisekunde. Selbst wenn die Forscher die Zeit einrechneten, die für die Generierung der Kalibrierungsdaten und die Verifizierung der Ergebnisse benötigt wurde, dauerte der gesamte Prozess weniger als zwei Minuten. Diese Geschwindigkeit bedeutet, dass Gesundheitsbehörden ihr Verständnis eines Ausbruchs potenziell in Echtzeit aktualisieren könnten, während neue Daten eingehen, anstatt Tage darauf zu warten, dass ein Modell konvergiert.

Die Studie testete die Methode auch anhand realer historischer Daten, speziell des Influenza-Ausbruchs von 1978 in einer britischen Internatsschule. Hier verglichen die Forscher ihre Ergebnisse mit einer zuvor veröffentlichten detaillierten Bayes-Analyse. Ihre Methode lieferte Intervalle, die sich mit den Glaubwürdigkeitsintervallen der Bayes-Studie überschnitten, was bestätigte, dass der schnelle, einfache Ansatz dieselbe biologische Realität erfassen konnte wie die komplexeren, rechenintensiveren Methoden. In diesem Fall zeigten sie auch, wie man Vorwissen, wie etwa eine bekannte Genesungsrate, einbezieht, um die Schätzungen weiter zu präzisieren. Die Methode erwies sich als flexibel genug, um zeitvariable Übertragungsraten zu handhaben, bei denen sich die Ansteckungsfähigkeit eines Virus aufgrund von Interventionen oder neuen Varianten im Laufe der Zeit ändert. In diesen Tests übertraf der neue Ansatz die neuronalen Netz-Baselines erneut und lieferte genaue Schätzungen darüber, wie sich die Übertragung im Laufe der Zeit änderte, und das in einem Bruchteil der Zeit.

Die Forscher betonen, dass diese Methode andere Formen der Analyse nicht ersetzt, sondern sie ergänzt. Sie ist besonders leistungsstark, wenn die Daten ausreichen, um die zugrunde liegende Dynamik der Krankheit aufzulösen. Die Methode kennt jedoch auch ihre Grenzen. Wenn die Daten zu spärlich oder das Rauschen zu hoch ist, erweitern sich die Konfidenzintervalle natürlich, um ein breites Spektrum an Möglichkeiten abzudecken, was signalisiert, dass die Daten schlichtweg keine präzise Antwort zulassen. Diese Ehrlichkeit gegenüber der Unsicherheit ist ein Schlüsselmerkmal. Die Studie zeigt, dass für eine breite Klasse von Epidemie-Modellen das komplexe Black-Box-Training neuronaler Netze nicht notwendig ist. Indem sie zur grundlegenden Physik des Problems zurückkehren und einen robusten, integrierten Ansatz verwenden, können Wissenschaftler eine höhere Genauigkeit und eine bessere Quantifizierung der Unsicherheit in Millisekunden erreichen. Dies öffnet die Tür für eine reaktionsschnellere und zuverlässigere Modellierung zukünftiger Ausbrüche, bei denen Geschwindigkeit und Klarheit ebenso wichtig sind wie die Zahlen selbst.